Campos Volumétricos Adaptativos de Propriedades Mecânicas Invariantes à Resolução

Resumo

Propriedades mecânicas precisas (ou dos materiais) — módulo de Young (E), coeficiente de Poisson (ν) e densidade (ρ) — são essenciais para simulações físicas confiáveis de mundos digitais, mas a maioria dos ativos 3D carece dessas informações. Propomos o AdaVoMP, um método para predizer (E, ν, ρ) densos e espacialmente variáveis com alta precisão para objetos 3D de entrada, independentemente da representação, melhorando resolução, exatidão e eficiência de memória em relação ao estado da arte. A base da nossa técnica é uma estrutura de voxel esparsa e adaptativa, SAV, que representa eficientemente tanto a forma 3D de entrada quanto o campo de material gerado. Substituímos o modelo de voxel fixo do método anterior mais preciso, VoMP, por um novo modelo codificador-decodificador de transformador esparso que aprende a gerar um SAV único de forma autorregressiva para cada forma de entrada, a fim de representar seus materiais, alcançando uma resolução 16³ vezes superior à da arte anterior. Experimentos mostram que o AdaVoMP estima propriedades volumétricas mais precisas, mesmo com menor custo computacional em tempo de teste do que toda a arte anterior. Isso nos permite converter objetos 3D complexos de alta resolução em ativos prontos para simulação, resultando em simulações deformáveis realistas.

English

Accurate mechanical properties (or materials) Young's modulus (E), Poisson's ratio (ν) and density (ρ) are essential for reliable physics simulation of digital worlds, but most 3D assets lack this information. We propose AdaVoMP, a method for predicting accurate dense spatially-varying (E, ν, ρ) for input 3D objects across representations, improving the resolution, accuracy, and memory efficiency over the state-of-the-art. The foundation of our technique is a sparse and adaptive voxel structure SAV that efficiently represents both the input 3D shape and the material field output. We replace the fixed-voxel model of the most accurate prior method, VoMP, with a novel sparse transformer encoder-decoder model that learns to generate a unique SAV autoregressively for every input shape to represent its materials, achieving a resolution 16^3times higher than prior art. Experiments show that AdaVoMP estimates more accurate volumetric properties, even with lesser test-time compute than all prior art. This allows us to convert high-resolution complex 3D objects into simulation-ready assets, resulting in realistic deformable simulations.